一种基于分层动态分区与混合路径规划的多无人机协同任务分配方法及计算设备

摘要: 本发明涉及无人机集群控制与路径规划,尤其涉及一种基于分层动态分区与混合路径规划的多无人机协同任务分配方法及计算设备。背景技术:1、近年来,多无人机系统在物流配送...
一种基于分层动态分区与混合路径规划的多无人机协同任务分配方法及计算设备

本发明涉及无人机集群控制与路径规划,尤其涉及一种基于分层动态分区与混合路径规划的多无人机协同任务分配方法及计算设备。

背景技术:

1、近年来,多无人机系统在物流配送、应急搜救、军事侦察等领域的应用日益广泛。在多无人机协同作业场景中,任务分配与路径规划是保障集群高效执行的核心技术。随着应用环境从静态向动态复杂场景演变,任务规模扩大和环境复杂度逐渐增加,现有技术在面对随机分布的障碍物、动态变化的任务规模及差异化任务优先级时,普遍存在技术瓶颈。

2、例如,计算复杂度与环境适应性难以平衡,传统全局优化算法在障碍物密度升高时易陷入维度灾难,局部重规划策略则导致计算冗余,难以在实时性与规划质量间取得平衡。负载均衡与路径效率协同不足,多数任务分配模型仅追求全局路径最短,未充分考虑单机任务点数量的方差约束,导致集群中部分无人机负载过重而降低整体任务完成率。动态避障鲁棒性较弱,现有路径规划方法多依赖固定安全阈值,当障碍物数量、位置随机突变时,易触发频繁的全局路径重规划,显著增加响应延迟与能耗。

3、因此,亟需一种能够兼顾计算效率、负载均衡与动态避障鲁棒性的多无人机协同任务分配与路径规划方法。

技术实现思路

1、本发明旨在提供一种基于分层动态分区与混合路径规划的多无人机协同任务分配方法(hierarchical dynamic partitioning-hybrid path planning method, hdp-hppm)及计算设备,基于流形梯度下降与拓扑差分进化改进人工蜂鸟算法的混合路径规划,并基于安全距离动态调整机制的无人机群鲁棒实时避障,实现动态环境下多无人机任务的有效分配,以解决现有技术在动态随机障碍环境下,任务分配计算复杂度高、环境适应性差、集群负载不均衡以及避障重规划频繁的技术问题。

2、根据本发明的一方面,提供了一种基于分层动态分区与混合路径规划的多无人机协同任务分配方法,所述方法包括:

3、构建分层动态分区模型,对任务空间进行全局初始划分,并基于环境动态变化进行局部自适应聚类与区域边界调整,生成各无人机的任务子集;

4、建立多目标协同优化模型,以最小化集群总飞行距离与任务完成时间为目标,结合任务优先级对所述任务子集进行均衡分配;

5、采用混合路径规划算法对分配后的任务序列进行求解,所述混合路径规划算法基于仿生优化框架,融合流形梯度下降策略与拓扑差分进化策略生成初始飞行路径;

6、引入安全距离动态调整机制,在随机障碍环境下对所述初始飞行路径进行鲁棒避障修正,输出多无人机协同任务分配与路径规划结果。

7、根据一些实施例,所述构建分层动态分区模型,包括:

8、采用k-means算法对任务点进行全局粗粒度分区,确定初始分区数量 k,k值的计算公式:

9、

10、其中,为任务点总数,为密度调节因子;

11、在所述初始分区内采用自适应dbscan算法进行局部细粒度聚类,其邻域半径根据分区特性自适应确定如下:

12、

13、其中,表示分区等效半径,为点间邻近距离的标准差,为平滑因子。

14、根据一些实施例,所述建立多目标协同优化模型,包括:

15、以各无人机分配路径的连续任务点间欧氏距离之和构建巡航距离目标函数,并引入负载均衡项约束各无人机任务点数量方差,通过权重系数协调巡航效率与负载均衡的优先级,实现任务点的均衡分配。

16、根据一些实施例,所述采用混合路径规划算法对分配后的任务序列进行求解,包括:

17、初始化人工蜂鸟种群,将任务访问序列映射为个体位置向量;

18、在迭代搜索过程中,交替执行基于流形梯度下降的局部寻优阶段与基于拓扑差分进化的全局探索阶段,所述混合路径规划算法通过以下公式更新个体位置:

19、

20、其中,表示第i个个体在第 t+1次迭代更新后的位置向量,表示第 i个个体在第t次迭代时的当前位置向量,b为引导因子,用于控制拓扑邻域信息对个体更新的影响权重;d为步长调节系数,用于平衡全局探索与局部开发;为当前解的拓扑邻域集合,即与个体i存在拓扑连接关系的所有邻居个体的索引集合;∣∣为拓扑邻域 中个体的数量;j∈表示遍历拓扑邻域中的每一个邻居个体j;为邻居个体j在第t次迭代时的位置向量;t为当前迭代次数,i为当前个体的索引编号。

21、根据一些实施例,所述基于流形梯度下降的局部寻优阶段包括:在路径解空间构建流形约束面,计算目标函数关于个体位置的梯度方向,沿梯度反方向进行步长更新,生成流形梯度项,以提升算法在复杂路径优化中的局部搜索稳定性与收敛速度。

22、根据一些实施例,所述基于拓扑差分进化的全局探索阶段包括:构建个体间的拓扑邻接关系网络,基于所述拓扑邻接关系网络选择差分变异向量,对所述差分变异向量执行交叉与选择操作,生成拓扑差分进化项。

23、根据一些实施例,所述结合任务优先级对所述任务子集进行均衡分配,包括:

24、为不同任务赋予优先级权重系数,在优化模型中设置高优先级任务响应延迟惩罚项,通过动态调整任务访问序列的排列权重,保证高优先级任务在路径规划中的前置响应。

25、根据一些实施例,所述安全距离动态调整机制包括:

26、实时感知环境中障碍物的数量与位置变化,根据障碍物分布密度与无人机飞行状态动态计算最小安全间隔阈值,安全间隔阈值公式为:

27、

28、其中,为基准安全距离,表示第个无人机感知范围内的障碍物数量,为有效感知面积,为当前速度向量,参数和分别为环境密度敏感度和速度补偿系数;

29、当规划路径节点侵入所述安全间隔阈值范围内时,触发局部路径重规划或节点偏移修正。

30、根据本发明的另一方面,提供一种计算设备,包括处理器;以及存储器,存储有计算机程序,当所述计算机程序被所述处理器执行时,实现如上任一项所述的方法。

31、根据本发明的另一方面,还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上任一项所述的方法。

32、本发明实施例提供的技术方案包括以下有益效果:

33、本发明通过通过分层动态分区机制,通过构建分层动态分区模型,将大规模任务空间分解为多个小规模子区域进行并行处理,可有效解决在超大规模任务下计算瓶颈的问题,有效解决了动态环境中任务分配的计算复杂度与环境适应性之间的平衡问题,降低了高维搜索空间的计算负荷。提出的混合路径规划方法将流形梯度下降(mg)与拓扑差分进化(td)策略融合,流形梯度下降提升了局部搜索的稳定性与收敛速度,拓扑感知差分变异增强了方向选择性,克服了单一算法易陷入局部最优的缺陷,使算法在随机障碍环境中展现出卓越的收敛性与路径优化能力。采用动态安全距离调整与混合规划协同的鲁棒避障策略,能够自适应障碍物数量、位置及任务规模的随机变化,通过局部路径微调替代全局重规划,显著降低响应延迟并维持任务执行效率。

34、上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。